基于无监督聚类和频繁子图挖掘的电力通信网缺陷诊断与自动派单

doi:10.11959/j.issn.1000-0801.2021253

电信科学 ›› 2021, Vol. 37 ›› Issue (11): 51-63.doi: 10.11959/j.issn.1000-0801.2021253

基于无监督聚类和频繁子图挖掘的电力通信网缺陷诊断与自动派单

吴季桦¹, 朱鹏宇², 吴子辰³, 顾彬³, 洪涛³, 郭波³, 王晶¹, 王敬宇¹

¹ 北京邮电大学网络与交换国家重点实验室，北京 100876
² 国网电力科学研究院有限公司，江苏南京 210012
³ 国网江苏省电力有限公司信息通信分公司，江苏南京 210024

修回日期:2021-11-15 出版日期:2021-11-20 发布日期:2021-11-01
作者简介:吴季桦（1998− ），女，北京邮电大学计算机学院硕士生，主要研究方向为云原生、知识图谱、子图挖掘
朱鹏宇（1992− ），男，国网电力科学研究院有限公司工程师，主要研究方向为电力通信、人工智能、知识图谱
吴子辰（1988− ），男，国网江苏省电力有限公司信息通信分公司高级工程师、信通调控中心副主任，主要研究方向为电力通信技术
顾彬（1983− ），男，博士，国网江苏省电力有限公司信息通信分公司高级工程师，主要研究方向为电力通信技术
洪涛（1994− ），男，国网江苏省电力有限公司信息通信分公司工程师，主要研究方向为电力光纤通信、计算机网络安全、人工智能技术等
郭波（1977− ），男，国网江苏省电力有限公司信息通信分公司高级工程师、副总工程师，主要研究方向为电力信息通信技术
王晶（1974− ），女，北京邮电大学计算机学院副教授，主要研究方向为业务网络、云网络、网络智能等
王敬宇（1978− ），男，博士，北京邮电大学计算机学院教授、博士生导师，主要研究方向为智能网络、智能运维、边缘计算等
基金资助:
国家电网公司科技项目(5700-202040367A-0-0-00)

Fault diagnosis and auto dispatchin of power communication network based on unsupervised clustering and frequent subgraph mining

Jihua WU¹, Pengyu ZHU², Zichen WU³, Bin GU³, Tao HONG³, Bo GUO³, Jing WANG¹, Jingyu WANG¹

¹ State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications, Beijing 100876, China
² State Grid Electric Power Research Institute Co., Ltd, Nanjing 210012, China
³ Information and Communication Branch of State Grid Jiangsu Electric Power Co., Ltd., Nanjing 210024, China

Revised:2021-11-15 Online:2021-11-20 Published:2021-11-01
Supported by:
Science and Technology Project of State Grid Corporation(5700-202040367A-0-0-00)

摘要/Abstract

摘要：

缺陷诊断一直是电力通信领域研究的难点之一。基于人工规则的缺陷诊断已经无法应对告警数据的海量增长。基于有监督学习的智能方法需要大量的标注数据和较长的系统构建时间，且大多面向指标性数据，实现部署缺乏可行性。面向告警数据，提出一种基于无监督聚类和频繁子图挖掘实现告警归并和缺陷模式发现的自学习算法，设计了一个自动化完成缺陷诊断及处置的架构。该架构具有良好的可扩展性和迭代更新能力，并部署于实际缺陷自动派单系统中。通过真实场景数据集进行实验验证，结果显示出良好的性能表现，实现了对缺陷的及时发现及精准派单维护。

关键词: 电力通信, 缺陷诊断, 无监督聚类, 频繁子图挖掘

Abstract:

Fault diagnosis is one of the most challenging tasks in power communication.The fault diagnosis based on rules can no longer meet the demand of massive alarms processing.The existing approaches based on the supervised learning need large sets of the labeled data and sufficient time to train models for processing continuous data instead of alarms, which are far behind the feasibility of deployment.As for alarm correlation and fault pattern discovery, a self-learning algorithm based on the density-based clustering and frequent subgraph mining was proposed.A novel approach for automatic fault diagnosis and dispatch were also introduced, which provided the scalable and self-renewing ability and had been deployed to the automatic fault dispatch system.Experiments in the real-world datasets authorized the effectiveness for timely fault discovery and targeted fault dispatch.

Key words: power communication, fault diagnosis, unsupervised clustering, frequent subgraph mining

中图分类号:

TP393

吴季桦, 朱鹏宇, 吴子辰, 顾彬, 洪涛, 郭波, 王晶, 王敬宇. 基于无监督聚类和频繁子图挖掘的电力通信网缺陷诊断与自动派单[J]. 电信科学, 2021, 37(11): 51-63.

Jihua WU, Pengyu ZHU, Zichen WU, Bin GU, Tao HONG, Bo GUO, Jing WANG, Jingyu WANG. Fault diagnosis and auto dispatchin of power communication network based on unsupervised clustering and frequent subgraph mining[J]. Telecommunications Science, 2021, 37(11): 51-63.

图/表 8

图1

图2

图3

图4

表1

不同告警归并方法的特性和效果对比"

方法	预设簇	自学习	h-score	c-score	v-score
规则匹配	×	×	0.99	0.97	0.98
k-means	√	√	0.96	0.93	0.94
$D B S C A N$	×	√	$0 . 99$	$0 . 99$	$0 . 99$

表1

表2

不同告警归并方法的缺陷一致性对比"

方法	集合数目	归并与缺陷
方法	集合数目	一对一	一对多	多对一	多对多
规则匹配	163	76.71%	7.53%	13.70%	2.05%
k-means	146	58.71%	30.32%	7.74%	3.23%
$D B S C A N$	$153$	$84 . 93 %$	$10 . 96 %$	$3 . 42 %$	$0 . 68 %$

表2

图5

表3

参考文献 18

[1]	GARDNER R D , HARLE D A . Methods and systems for alarm correlation[C]// Proceedings of Proceedings of GLOBECOM'96.1996 IEEE Global Telecommunications Conference. Piscataway:IEEE Press, 1996: 136-140.
[2]	MAZDZIARZ A . Alarm correlation in mobile telecommunications networks based on k-means cluster analysis method[J]. Journal of Telecommunications and Information Technology, 2018(2): 95-102.
[3]	WEN L , LI X Y , GAO L ,et al. A new convolutional neural network-based data-driven fault diagnosis method[J]. IEEE Transactions on Industrial Electronics, 2018,65(7): 5990-5998.
[4]	XIAO F , ZHAO Y , WEN J ,et al. Bayesian network based FDD strategy for variable air volume terminals[J]. Automation in Construction, 2014(41): 106-118.
[5]	WANG J Y , JING Y H , QI Q ,et al. ALSR:an adaptive label screening and relearning approach for interval-oriented anomaly detection[J]. Expert Systems With Applications, 2019(136): 94-104.
[6]	QI Q , SHEN R Y , WANG J Y ,et al. Spatial-temporal learning-based artificial intelligence for IT operations in the edge network[J]. IEEE Network, 2021,35(1): 197-203.
[7]	JAKOBSON G , WEISSMAN M . Alarm correlation[J]. IEEE Network, 1993,7(6): 52-59.
[8]	SCHUBERT E , SANDER J , ESTER M ,et al. DBSCAN revisited,revisited[J]. ACM Transactions on Database Systems, 2017,42(3): 1-21.
[9]	YANG Y C , WANG Y P , WEI Y . Adaptive density peak clustering for determinging cluster center[C]// Proceedings of 2019 15th International Conference on Computational Intelligence and Security (CIS). Piscataway:IEEE Press, 2019: 182-186.
[10]	BOULOUTAS A T , CALO S , FINKEL A . Alarm correlation and fault identification in communication networks[J]. IEEE Transactions on Communications, 1994,42(234): 523-533.
[11]	YOUSUF H , ZAINAL A Y , ALSHURIDEH M ,et al. Artificial intelligence models in power system analysis[M]// Artificial Intelligence for Sustainable Development:Theory,Practice and Future Applications. Cham: Springer International Publishing, 2020: 231-242.
[12]	DARRAB S , ERGENC B . Vertical pattern mining algorithm for multiple support thresholds[J]. Procedia Computer Science, 2017(112): 417-426.
[13]	HARTMANIS J . Computers and Intractability[EB]. SIAM Review, 1982.
[14]	YAN X F , HAN J W . gSpan:graph-based substructure pattern mining[C]// Proceedings of 2002 IEEE International Conference on Data Mining. Piscataway:IEEE Press, 2002: 721-724.
[15]	YAN X F , HAN J W . gSpan:graph-based substructure pattern mining[C]// Proceedings of 2002 IEEE International Conference on Data Mining. Piscataway:IEEE Press, 2002: 721-724.
[16]	XIONG H , LI Z M . Clustering validation measures[M]// Data Clustering: Chapman and Hall/CRC, 2018: 571-606.
[17]	HOU J , LIU W X . Evaluating the density parameter in density peak based clustering[C]// Proceedings of 2016 Seventh International Conference on Intelligent Control and Information Processing (ICICIP). Piscataway:IEEE Press, 2016: 68-72.
[18]	NOWOSAD J , STEPINSKI T F . Spatial association between regionalizations using the information-theoretical V-measure[J]. International Journal of Geographical Information Science, 2018,32(12): 2386-2401.

预测	真实
预测	card abnormal	fiber breaking	power abnormal	power interruption
card abnormal	28	0	0	0
fiber breaking	0	60	0	1
power abnormal	0	0	12	0
power interruption	0	2	0	13

基于无监督聚类和频繁子图挖掘的电力通信网缺陷诊断与自动派单

Fault diagnosis and auto dispatchin of power communication network based on unsupervised clustering and frequent subgraph mining

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 18

相关文章 15

Metrics

推荐阅读 0

[1]	陈新南, 连伟华, 马一宁. OTN在电力通信中应用的问题探讨[J]. 电信科学, 2022, 38(6): 181-189.
[2]	吴桂龙, 杨志敏, 黄昱. 电力通信运行管理中典型业务数据的智能关联方法[J]. 电信科学, 2021, 37(2): 164-172.
[3]	杨志敏,洪丹轲,王力,谢俊毅. 基于云平台的电力通信网运行支持系统[J]. 电信科学, 2020, 36(4): 161-169.
[4]	李佳,丛犁,姜华,胡杨,徐梦. 基于DBN-Softmax的电力通信网络带宽预测[J]. 电信科学, 2020, 36(10): 153-158.
[5]	杨志敏,洪丹轲,黄昱. 电力通信网省地集约化监控运行支撑系统架构及关键技术[J]. 电信科学, 2019, 35(11): 146-156.
[6]	李国春,张素香,邓伟,于卓智,张叶峰,朱玉坤. 面向量子密钥应用的电力业务重要度评价方法[J]. 电信科学, 2019, 35(1): 154-160.
[7]	朱正甲,尤新雨,郑陈熹,李莉,樊冰. 基于位置加权的电力通信网站点带宽估算方法[J]. 电信科学, 2018, 34(10): 150-156.
[8]	蒋海明,夏丹妮,刘媛,赵世文,费林,任靖宇. 基于物联网技术的电力通信接入网的移动运维系统[J]. 电信科学, 2018, 34(10): 170-180.
[9]	陈永波,汤奕,艾鑫伟,徐博. 基于LPWAN技术的能源电力物联专网[J]. 电信科学, 2017, 33(5): 143-152.
[10]	刘昀,刘国军,任建伟,李坚. 电力PTN设备网管安全性[J]. 电信科学, 2015, 31(Z1): 85-89.
[11]	周静,刘国军. 一种电力通信网规划成效评价方法[J]. 电信科学, 2015, 31(3): 148-152.
[12]	周静,刘国军. 一种电力通信网规划成效评价方法[J]. 电信科学, 2015, 31(3): 2015083-.
[13]	杨志敏,吴斌,舒然. 基于大数据处理技术的电力通信网检修工作分析方法[J]. 电信科学, 2015, 31(11): 166-173.
[14]	张增华,张刚. 电力通信资源管理系统中空间数据同步研究[J]. 电信科学, 2010, 26(12A): 60-64.
[15]	靳洋. 电力通信片上系统并行模拟测试结构研究[J]. 电信科学, 2010, 26(12A): 76-79.